基于Java接口实现端侧训练

查看源文件

概述

本教程通过构建并部署Java版本的LeNet网络的训练，演示MindSpore Lite端侧训练Java接口的使用。首先指导您在本地成功训练LeNet模型，然后讲解示例代码。

准备

环境要求

  • 系统环境：Linux x86_64，推荐使用Ubuntu 18.04.02LTS

  • 软件依赖

下载MindSpore并编译端侧训练Java包

首先克隆源码，然后编译MindSpore Lite端侧训练Java包，Linux指令如下：

git clone -b r2.3.q1 https://gitee.com/mindspore/mindspore.git
cd mindspore
bash build.sh -I x86_64 -j8

编译环境要求以及环境变量设置，请参考编译MindSpore Lite章节。 本教程使用的示例源码在mindspore/lite/examples/train_lenet_java目录。

下载数据集

示例中的MNIST数据集由10类28*28的灰度图片组成，训练数据集包含60000张图片，测试数据集包含10000张图片。

MNIST数据集官网下载地址：http://yann.lecun.com/exdb/mnist/，共4个下载链接，分别是训练数据、训练标签、测试数据和测试标签。

下载并解压到本地，解压后的训练和测试集分别存放于/PATH/MNIST_Data/train和/PATH/MNIST_Data/test路径下。

目录结构如下：

MNIST_Data/
├── test
│   ├── t10k-images-idx3-ubyte
│   └── t10k-labels-idx1-ubyte
└── train
    ├── train-images-idx3-ubyte
    └── train-labels-idx1-ubyte

部署应用

构建与运行

  1. 首先进入示例工程所在目录，运行示例程序，命令如下：

    cd /codes/mindspore/mindspore/lite/examples/train_lenet_java
./prepare_and_run.sh -D /PATH/MNIST_Data/ -r ../../../../output/mindspore-lite-${version}-linux-x64.tar.gz

    ../resources/model/lenet_tod.ms是示例工程中预置的LeNet训练模型，您也可以参考训练模型转换，自行转换出LeNet模型。

    /PATH/MNIST_Data/是MNIST数据集所在路径。

    示例运行结果如下：

    ==========Loading Model, Create Train Session=============
Model path is ../model/lenet_tod.ms
batch_size: 4
virtual batch multiplier: 16
==========Initing DataSet================
train data cnt: 60000
test data cnt: 10000
==========Training Model===================
step_500: Loss is 0.05553353 [min=0.010149269] max_acc=0.9543269
step_1000: Loss is 0.15295759 [min=0.0018140086] max_acc=0.96594554
step_1500: Loss is 0.018035552 [min=0.0018140086] max_acc=0.9704527
step_2000: Loss is 0.029250022 [min=0.0010245014] max_acc=0.9765625
step_2500: Loss is 0.11875624 [min=7.5288175E-4] max_acc=0.9765625
step_3000: Loss is 0.046675075 [min=7.5288175E-4] max_acc=0.9765625
step_3500: Loss is 0.034442786 [min=4.3545474E-4] max_acc=0.97686297
==========Evaluating The Trained Model============
accuracy = 0.9770633
Trained model successfully saved: ./model/lenet_tod_trained.ms

示例程序详细说明

示例程序结构

train_lenet_java
├── lib
├── build.sh
├── model
│   ├── lenet_export.py
│   ├── prepare_model.sh
│   └── train_utils.sh
├── pom.xml
├── prepare_and_run.sh
├── resources
│   └── model
│       └── lenet_tod.ms   # LeNet训练模型
├── src
│   └── main
│       └── java
│           └── com
│               └── mindspore
│                   └── lite
│                       ├── train_lenet
│                       │   ├── DataSet.java      # MNIST数据集处理
│                       │   ├── Main.java         # Main函数
│                       │   └── NetRunner.java    # 整体训练流程

编写端侧推理代码

详细的Java接口使用请参考https://www.mindspore.cn/lite/api/zh-CN/r2.3.0rc1/index.html。

  1. 加载并编译MindSpore Lite模型文件，构建会话。

        MSContext context = new MSContext();
    // use default param init context
    context.init();
    boolean isSuccess = context.addDeviceInfo(DeviceType.DT_CPU, false, 0);
    TrainCfg trainCfg = new TrainCfg();
    trainCfg.init();
    model = new Model();
    Graph graph = new Graph();
    graph.load(modelPath);
    model.build(graph, context, trainCfg);
    model.setupVirtualBatch(virtualBatch, 0.01f, 1.00f);

  2. 切换为训练模式，循环迭代，训练模型。

    model.setTrainMode(true)
float min_loss = 1000;
float max_acc = 0;
for (int i = 0; i < cycles; i++) {
    for (int b = 0; b < virtualBatch; b++) {
        fillInputData(ds.getTrainData(), false);
        model.runStep();
        float loss = getLoss();
        if (min_loss > loss) {
            min_loss = loss;
        }
        if ((b == 0) && ((i + 1) % 500 == 0)) {
            float acc = calculateAccuracy(10); // only test 10 batch size
            if (max_acc < acc) {
                max_acc = acc;
            }
            System.out.println("step_" + (i + 1) + ": \tLoss is " + loss + " [min=" + min_loss + "]" + " max_acc=" + max_acc);
        }
    }
}

  3. 切换为推理模式，执行推理，评估模型精度。

    model.setTrainMode(false);
for (long i = 0; i < tests; i++) {
    Vector<Integer> labels = fillInputData(test_set, (maxTests == -1));
    if (labels.size() != batchSize) {
        System.err.println("unexpected labels size: " + labels.size() + " batch_size size: " + batchSize);
        System.exit(1);
    }
    model.predict();
    MSTensor outputsv = searchOutputsForSize((int) (batchSize * numOfClasses));
    if (outputsv == null) {
        System.err.println("can not find output tensor with size: " + batchSize * numOfClasses);
        System.exit(1);
    }
    float[] scores = outputsv.getFloatData();
    for (int b = 0; b < batchSize; b++) {
        int max_idx = 0;
        float max_score = scores[(int) (numOfClasses * b)];
        for (int c = 0; c < numOfClasses; c++) {
            if (scores[(int) (numOfClasses * b + c)] > max_score) {
                max_score = scores[(int) (numOfClasses * b + c)];
                max_idx = c;
            }
        }
        if (labels.get(b) == max_idx) {
            accuracy += 1.0;
        }
    }
}

    推理完成后，如果需要继续训练，需要切换为训练模式。

  4. 保存训练模型。

    // arg 0: FileName
// arg 1: quantization type QT_DEFAULT -> 0
// arg 2: model type MT_TRAIN -> 0
// arg 3: use default output tensor names
model.export(trainedFilePath, 0, false, null);

    模型训练完成后，保存到指定路径，后续可以继续加载运行。